TaRea 5
Edward Morales - Julian Acevedo
2023-11-27
knitr::opts_chunk$set(warning = FALSE)RealicƩ un EDA para el siguiente conjunto de datos
library(readr)
df <- read_delim("C:/BK/Julian Acevedo/WFM_2021-11-08/WFM nov.2021/Analitica/U.NORTE/Vizualizacion datos R y Python/Tarea_5/dataset.csv",
delim = ",", escape_double = FALSE, trim_ws = TRUE)## Rows: 768 Columns: 9
## āā Column specification āāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāā
## Delimiter: ","
## dbl (9): Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, D...
##
## ā¹ Use `spec()` to retrieve the full column specification for this data.
## ā¹ Specify the column types or set `show_col_types = FALSE` to quiet this message.knitr::kable(head(df, 10))| Pregnancies | Glucose | BloodPressure | SkinThickness | Insulin | BMI | DiabetesPedigreeFunction | Age | Outcome |
|---|---|---|---|---|---|---|---|---|
| 6 | 148 | 72 | 35 | 0 | 33.6 | 0.627 | 50 | 1 |
| 1 | 85 | 66 | 29 | 0 | 26.6 | 0.351 | 31 | 0 |
| 8 | 183 | 64 | 0 | 0 | 23.3 | 0.672 | 32 | 1 |
| 1 | 89 | 66 | 23 | 94 | 28.1 | 0.167 | 21 | 0 |
| 0 | 137 | 40 | 35 | 168 | 43.1 | 2.288 | 33 | 1 |
| 5 | 116 | 74 | 0 | 0 | 25.6 | 0.201 | 30 | 0 |
| 3 | 78 | 50 | 32 | 88 | 31.0 | 0.248 | 26 | 1 |
| 10 | 115 | 0 | 0 | 0 | 35.3 | 0.134 | 29 | 0 |
| 2 | 197 | 70 | 45 | 543 | 30.5 | 0.158 | 53 | 1 |
| 8 | 125 | 96 | 0 | 0 | 0.0 | 0.232 | 54 | 1 |
EstadĆsticas descriptivas para la detecciĆ³n de valores atĆpicos
str(df)## spc_tbl_ [768 Ć 9] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ Pregnancies : num [1:768] 6 1 8 1 0 5 3 10 2 8 ...
## $ Glucose : num [1:768] 148 85 183 89 137 116 78 115 197 125 ...
## $ BloodPressure : num [1:768] 72 66 64 66 40 74 50 0 70 96 ...
## $ SkinThickness : num [1:768] 35 29 0 23 35 0 32 0 45 0 ...
## $ Insulin : num [1:768] 0 0 0 94 168 0 88 0 543 0 ...
## $ BMI : num [1:768] 33.6 26.6 23.3 28.1 43.1 25.6 31 35.3 30.5 0 ...
## $ DiabetesPedigreeFunction: num [1:768] 0.627 0.351 0.672 0.167 2.288 ...
## $ Age : num [1:768] 50 31 32 21 33 30 26 29 53 54 ...
## $ Outcome : num [1:768] 1 0 1 0 1 0 1 0 1 1 ...
## - attr(*, "spec")=
## .. cols(
## .. Pregnancies = col_double(),
## .. Glucose = col_double(),
## .. BloodPressure = col_double(),
## .. SkinThickness = col_double(),
## .. Insulin = col_double(),
## .. BMI = col_double(),
## .. DiabetesPedigreeFunction = col_double(),
## .. Age = col_double(),
## .. Outcome = col_double()
## .. )
## - attr(*, "problems")=<externalptr>Se identifica que el data set tiene 768 observaciones (filas) y 9 variables (columnas) de las cuales todas son variables numericas y se observan algunos datos faltantes.
Histogramas
Pregnancies
library(ggplot2)
ggplot(df) +
aes(x = Pregnancies) +
geom_histogram(bins = 30L, fill = "#0c4c8a") +
theme_minimal()
Se observan algunos datos con mayor representaciĆ³n que otros.
Glucose
library(ggplot2)
ggplot(df) +
aes(x = Glucose) +
geom_histogram(bins = 30L, fill = "#0c4c8a") +
theme_minimal()
Se observan algunos datos con mayor representaciĆ³n que otros.
BloodPressure
library(ggplot2)
ggplot(df) +
aes(x = BloodPressure) +
geom_histogram(bins = 30L, fill = "#0c4c8a") +
theme_minimal()
Se observan algunos datos con mayor representaciĆ³n que otros.
SkinThickness
library(ggplot2)
ggplot(df) +
aes(x = SkinThickness) +
geom_histogram(bins = 30L, fill = "#0c4c8a") +
theme_minimal()
Se observan algunos datos con mayor representaciĆ³n que otros.
Insulin
library(ggplot2)
ggplot(df) +
aes(x = Insulin) +
geom_histogram(bins = 30L, fill = "#0c4c8a") +
theme_minimal()
Se observan algunos datos con mayor representaciĆ³n que otros.
BMI
library(ggplot2)
ggplot(df) +
aes(x = BMI) +
geom_histogram(bins = 30L, fill = "#0c4c8a") +
theme_minimal()
Se observan algunos datos con mayor representaciĆ³n que otros.
DiabetesPedigreeFunction
library(ggplot2)
ggplot(df) +
aes(x = DiabetesPedigreeFunction) +
geom_histogram(bins = 30L, fill = "#0c4c8a") +
theme_minimal()
Se observan algunos datos con mayor representaciĆ³n que otros.
Age
library(ggplot2)
ggplot(df) +
aes(x = Age) +
geom_histogram(bins = 30L, fill = "#0c4c8a") +
theme_minimal()
Se observan algunas edades con mayor representaciĆ³n que otros.
Boxplot
Pregnancies
out <- boxplot.stats(df$Pregnancies)$out
boxplot(df$Pregnancies,
ylab = "Pregnancies",
main = "Boxplot of Pregnancies"
)
mtext(paste("Outliers: ", paste(out, collapse = ", ")))
Los valores atipicos en la variable Pregnancies son 14, 15 y 17.
Glucose
out <- boxplot.stats(df$Glucose)$out
boxplot(df$Glucose,
ylab = "Glucose",
main = "Boxplot of Glucose"
)
mtext(paste("Outliers: ", paste(out, collapse = ", ")))
No se identifican valores atipicos en la variable Glucose.
BloodPressure
out <- boxplot.stats(df$BloodPressure)$out
boxplot(df$BloodPressure,
ylab = "BloodPressure",
main = "Boxplot of BloodPressure"
)
mtext(paste("Outliers: ", paste(out, collapse = ", ")))
Los valores atipicos en la variable BloodPressure son: 30, 110, 108,
122, 30, 110,108 110, 24, 38, 106, 106, 106 y 114.
SkinThickness
out <- boxplot.stats(df$SkinThickness)$out
boxplot(df$SkinThickness,
ylab = "SkinThickness",
main = "Boxplot of SkinThickness"
)
mtext(paste("Outliers: ", paste(out, collapse = ", ")))
Los valores atipicos en la variable SkinThickness son: 60, 63 y 99.
Insulin
out <- boxplot.stats(df$Insulin)$out
boxplot(df$Insulin,
ylab = "Insulin",
main = "Boxplot of Insulin"
)
mtext(paste("Outliers: ", paste(out, collapse = ", ")))
Los valores atipicos en la variable SkinThickness son: 543, 846, 495,
485, 495, 478, 744, 370, 680, 402, 375, 545, 465, 415, 579, 474, 480,
600, 440, 540, 480, 387, 392 y 510.
BMI
out <- boxplot.stats(df$BMI)$out
boxplot(df$BMI,
ylab = "BMI",
main = "Boxplot of BMI"
)
mtext(paste("Outliers: ", paste(out, collapse = ", ")))
Los valores atipicos en la variable SkinThickness son: 53.2, 55.0, 67.1,
52.3, 52.3, 52.9, 59.4 y 57.3.
DiabetesPedigreeFunction
out <- boxplot.stats(df$DiabetesPedigreeFunction)$out
boxplot(df$DiabetesPedigreeFunction,
ylab = "DiabetesPedigreeFunction",
main = "Boxplot of DiabetesPedigreeFunction"
)
mtext(paste("Outliers: ", paste(out, collapse = ", ")))
Los valores atipicos en la variable DiabetesPedigreeFunction son: 2.288,
1.441, 1.390, 1.893, 1.781, 1.222, 1.400, 1.321, 1.224, 2.329, 1.318,
1.213, 1.353, 1.224, 1.391, 1.476, 2.137, 1.731, 1.268, 1.600, 2.420,
1.251, 1.699, 1.258, 1.282, 1.698, 1.461, 1.292 y 1.394.
Age
out <- boxplot.stats(df$Age)$out
boxplot(df$Age,
ylab = "Age",
main = "Boxplot of Age"
)
mtext(paste("Outliers: ", paste(out, collapse = ", ")))
Los valores atipicos en la variable Age son: 67, 68, 69, 70, 72 y
81.
Percentiles
Pregnancies
lower_bound <- quantile(df$Pregnancies, 0.025)
upper_bound <- quantile(df$Pregnancies, 0.975)
outlier_ind <- which(df$Pregnancies < lower_bound | df$Pregnancies > upper_bound)
df[outlier_ind, ]## # A tibble: 14 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 13 145 82 19 110 22.2
## 2 13 126 90 0 0 43.4
## 3 13 106 72 54 0 36.6
## 4 15 136 70 32 110 37.1
## 5 17 163 72 41 114 40.9
## 6 13 106 70 0 0 34.2
## 7 14 100 78 25 184 36.6
## 8 13 152 90 33 29 26.8
## 9 13 129 0 30 0 39.9
## 10 14 175 62 30 0 33.6
## 11 13 76 60 0 0 32.8
## 12 13 104 72 0 0 31.2
## 13 13 158 114 0 0 42.3
## 14 13 153 88 37 140 40.6
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Tomando los percentiles 25% y 75% se identifican los anteriores 14 datos atipicos.
Glucose
df_omit<-na.omit(df)
lower_bound <- quantile(df_omit$Glucose, 0.025)
upper_bound <- quantile(df_omit$Glucose, 0.975)
outlier_ind <- which(df_omit$Glucose < lower_bound | df_omit$Glucose > upper_bound)
df[outlier_ind, ]## # A tibble: 38 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2 197 70 45 543 30.5
## 2 7 196 90 0 0 39.8
## 3 2 71 70 27 0 28
## 4 5 44 62 0 0 25
## 5 1 0 48 20 0 24.7
## 6 7 62 78 0 0 32.6
## 7 1 71 48 18 76 20.4
## 8 9 57 80 37 0 32.8
## 9 1 0 74 20 23 27.7
## 10 7 194 68 28 0 35.9
## # ā¹ 28 more rows
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Omitiendo datos faltantes y tomando los percentiles 25% y 75% se identifican los anteriores 20 datos atipicos.
BloodPressure
df_omit<-na.omit(df)
lower_bound <- quantile(df_omit$BloodPressure, 0.025)
upper_bound <- quantile(df_omit$BloodPressure, 0.975)
outlier_ind <- which(df_omit$BloodPressure < lower_bound | df_omit$BloodPressure > upper_bound)
df[outlier_ind, ]## # A tibble: 19 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 9 171 110 24 240 45.4
## 2 5 137 108 0 0 48.8
## 3 1 96 122 0 0 22.4
## 4 0 129 110 46 130 67.1
## 5 1 128 98 41 58 32
## 6 5 162 104 0 0 37.7
## 7 5 115 98 0 0 52.9
## 8 5 103 108 37 0 39.2
## 9 1 133 102 28 140 32.8
## 10 0 93 100 39 72 43.4
## 11 8 105 100 36 0 43.3
## 12 0 189 104 25 0 34.3
## 13 10 115 98 0 0 24
## 14 4 189 110 31 0 28.5
## 15 11 127 106 0 0 39
## 16 8 167 106 46 231 37.6
## 17 10 68 106 23 49 35.5
## 18 3 123 100 35 240 57.3
## 19 13 158 114 0 0 42.3
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Omitiendo datos faltantes y tomando los percentiles 25% y 75% se identifican los anteriores 20 datos atipicos.
SkinThickness
df_omit<-na.omit(df)
lower_bound <- quantile(df_omit$SkinThickness, 0.025)
upper_bound <- quantile(df_omit$SkinThickness, 0.975)
outlier_ind <- which(df_omit$SkinThickness < lower_bound | df_omit$SkinThickness > upper_bound)
df[outlier_ind, ]## # A tibble: 19 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 0 100 88 60 110 46.8
## 2 13 106 72 54 0 36.6
## 3 1 122 90 51 220 49.7
## 4 0 162 76 56 100 53.2
## 5 1 136 74 50 204 37.4
## 6 0 147 85 54 0 42.8
## 7 1 71 78 50 45 33.2
## 8 2 100 70 52 57 40.5
## 9 3 173 82 48 465 38.4
## 10 1 172 68 49 579 42.4
## 11 0 180 78 63 14 59.4
## 12 10 148 84 48 237 37.6
## 13 1 86 66 52 65 41.3
## 14 3 129 92 49 155 36.4
## 15 2 197 70 99 0 34.7
## 16 2 112 78 50 140 39.4
## 17 1 120 80 48 200 38.9
## 18 7 129 68 49 125 38.5
## 19 10 101 76 48 180 32.9
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Omitiendo datos faltantes y tomando los percentiles 25% y 75% se identifican los anteriores 15 datos atipicos.
Insulin
df_omit<-na.omit(df)
lower_bound <- quantile(df_omit$Insulin, 0.025)
upper_bound <- quantile(df_omit$Insulin, 0.975)
outlier_ind <- which(df_omit$Insulin < lower_bound | df_omit$Insulin > upper_bound)
df[outlier_ind, ]## # A tibble: 20 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2 197 70 45 543 30.5
## 2 1 189 60 23 846 30.1
## 3 8 155 62 26 495 34
## 4 1 153 82 42 485 40.6
## 5 8 181 68 36 495 30.1
## 6 0 177 60 29 478 34.6
## 7 4 197 70 39 744 36.7
## 8 0 165 90 33 680 52.3
## 9 9 124 70 33 402 35.4
## 10 5 155 84 44 545 38.7
## 11 3 173 82 48 465 38.4
## 12 1 131 64 14 415 23.7
## 13 1 172 68 49 579 42.4
## 14 3 173 84 33 474 35.7
## 15 1 139 62 41 480 40.7
## 16 8 124 76 24 600 28.7
## 17 2 157 74 35 440 39.4
## 18 2 155 52 27 540 38.7
## 19 7 142 90 24 480 30.4
## 20 0 181 88 44 510 43.3
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Omitiendo datos faltantes y tomando los percentiles 25% y 75% se identifican los anteriores 19 datos atipicos.
BMI
df_omit<-na.omit(df)
lower_bound <- quantile(df_omit$BMI, 0.025)
upper_bound <- quantile(df_omit$BMI, 0.975)
outlier_ind <- which(df_omit$BMI < lower_bound | df_omit$BMI > upper_bound)
df[outlier_ind, ]## # A tibble: 40 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 8 125 96 0 0 0
## 2 7 105 0 0 0 0
## 3 1 103 80 11 82 19.4
## 4 0 100 88 60 110 46.8
## 5 2 84 0 0 0 0
## 6 2 74 0 0 0 0
## 7 5 137 108 0 0 48.8
## 8 1 80 55 0 0 19.1
## 9 7 81 78 40 48 46.7
## 10 1 122 90 51 220 49.7
## # ā¹ 30 more rows
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Omitiendo datos faltantes y tomando los percentiles 25% y 75% se identifican los anteriores 20 datos atipicos.
DiabetesPedigreeFunction
df_omit<-na.omit(df)
lower_bound <- quantile(df_omit$DiabetesPedigreeFunction, 0.025)
upper_bound <- quantile(df_omit$DiabetesPedigreeFunction, 0.975)
outlier_ind <- which(df_omit$DiabetesPedigreeFunction < lower_bound | df_omit$DiabetesPedigreeFunction > upper_bound)
df[outlier_ind, ]## # A tibble: 40 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 0 137 40 35 168 43.1
## 2 10 139 80 0 0 27.1
## 3 4 111 72 47 207 37.1
## 4 0 180 66 39 0 42
## 5 0 146 82 0 0 40.5
## 6 2 74 0 0 0 0
## 7 2 125 60 20 140 33.8
## 8 9 57 80 37 0 32.8
## 9 2 106 64 35 119 30.5
## 10 2 90 70 17 0 27.3
## # ā¹ 30 more rows
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Omitiendo datos faltantes y tomando los percentiles 25% y 75% se identifican los anteriores 20 datos atipicos.
Age
df_omit<-na.omit(df)
lower_bound <- quantile(df_omit$Age, 0.025)
upper_bound <- quantile(df_omit$Age, 0.975)
outlier_ind <- which(df_omit$Age < lower_bound | df_omit$Age > upper_bound)
df[outlier_ind, ]## # A tibble: 17 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 5 132 80 0 0 26.8
## 2 5 147 78 0 0 33.7
## 3 2 158 90 0 0 31.6
## 4 0 161 50 0 0 21.9
## 5 5 103 108 37 0 39.2
## 6 4 146 78 0 0 38.5
## 7 2 119 0 0 0 19.6
## 8 9 134 74 33 60 25.9
## 9 8 194 80 0 0 26.1
## 10 6 166 74 0 0 26.6
## 11 8 120 78 0 0 25
## 12 0 57 60 0 0 21.7
## 13 6 114 88 0 0 27.8
## 14 4 145 82 18 0 32.5
## 15 8 91 82 0 0 35.6
## 16 5 136 82 0 0 0
## 17 6 190 92 0 0 35.5
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Omitiendo datos faltantes y tomando los percentiles 25% y 75% se identifican los anteriores 10 datos atipicos.
Aplicaremos los test de Hampel, Grubbs, Dixon y Rosner distribuyendo 4 de las 8 variables a cada uno de los test.
Filtro de Hampel
Pregnancies
lower_bound <- median(df$Pregnancies) - 3 * mad(df$Pregnancies, constant = 1)
upper_bound <- median(df$Pregnancies) + 3 * mad(df$Pregnancies, constant = 1)
outlier_ind <- which(df$Pregnancies < lower_bound | df$Pregnancies > upper_bound)
df[outlier_ind, ]## # A tibble: 58 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 10 115 0 0 0 35.3
## 2 10 168 74 0 0 38
## 3 10 139 80 0 0 27.1
## 4 11 143 94 33 146 36.6
## 5 10 125 70 26 115 31.1
## 6 13 145 82 19 110 22.2
## 7 10 122 78 31 0 27.6
## 8 11 138 76 0 0 33.2
## 9 13 126 90 0 0 43.4
## 10 13 106 72 54 0 36.6
## # ā¹ 48 more rows
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Realizando el filtro de Hampel, donde se consideran como valores atĆpicos los valores entre mĆ”s o menos 3 desviaciones absolutas de la mediana, obtenemos 58 datos atipicos.
Glucose
df_omit<-na.omit(df)
lower_bound <- median(df_omit$Glucose) - 3 * mad(df_omit$Glucose, constant = 1)
upper_bound <- median(df_omit$Glucose) + 3 * mad(df_omit$Glucose, constant = 1)
outlier_ind <- which(df_omit$Glucose < lower_bound | df_omit$Glucose > upper_bound)
df[outlier_ind, ]## # A tibble: 59 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 8 183 64 0 0 23.3
## 2 2 197 70 45 543 30.5
## 3 1 189 60 23 846 30.1
## 4 7 196 90 0 0 39.8
## 5 3 180 64 25 70 34
## 6 0 180 66 39 0 42
## 7 7 187 68 39 304 37.7
## 8 5 44 62 0 0 25
## 9 1 0 48 20 0 24.7
## 10 8 188 78 0 0 47.9
## # ā¹ 49 more rows
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Omitiendo datos faltantes y realizando el filtro de Hampel, donde se consideran como valores atĆpicos los valores entre mĆ”s o menos 3 desviaciones absolutas de la mediana, obtenemos 17 datos atipicos.
BloodPressure
df_omit<-na.omit(df)
lower_bound <- median(df_omit$BloodPressure) - 3 * mad(df_omit$BloodPressure, constant = 1)
upper_bound <- median(df_omit$BloodPressure) + 3 * mad(df_omit$BloodPressure, constant = 1)
outlier_ind <- which(df_omit$BloodPressure < lower_bound | df_omit$BloodPressure > upper_bound)
df[outlier_ind, ]## # A tibble: 65 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 0 137 40 35 168 43.1
## 2 10 115 0 0 0 35.3
## 3 7 100 0 0 0 30
## 4 1 103 30 38 83 43.3
## 5 9 171 110 24 240 45.4
## 6 7 105 0 0 0 0
## 7 2 84 0 0 0 0
## 8 0 131 0 0 0 43.2
## 9 3 113 44 13 0 22.4
## 10 2 74 0 0 0 0
## # ā¹ 55 more rows
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Omitiendo datos faltantes y realizando el filtro de Hampel, donde se consideran como valores atĆpicos los valores entre mĆ”s o menos 3 desviaciones absolutas de la mediana, obtenemos 16 datos atipicos.
SkinThickness
df_omit<-na.omit(df)
lower_bound <- median(df_omit$SkinThickness) - 3 * mad(df_omit$SkinThickness, constant = 1)
upper_bound <- median(df_omit$SkinThickness) + 3 * mad(df_omit$SkinThickness, constant = 1)
outlier_ind <- which(df_omit$SkinThickness < lower_bound | df_omit$SkinThickness > upper_bound)
df[outlier_ind, ]## # A tibble: 3 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 0 100 88 60 110 46.8
## 2 0 180 78 63 14 59.4
## 3 2 197 70 99 0 34.7
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Omitiendo datos faltantes y realizando el filtro de Hampel, donde se consideran como valores atĆpicos los valores entre mĆ”s o menos 3 desviaciones absolutas de la mediana, obtenemos 3 datos atipicos.
Prueba de Grubbs
Insulin
\(H_{0}:\) El valor mĆ”s alto/bajo no es un valor atĆpico \(H_{1}:\) El valor mĆ”s alto/bajo es un valor atĆpico
library(outliers)
test <- grubbs.test(df$Insulin)
test2 <- grubbs.test(df$Insulin, opposite = TRUE)
test##
## Grubbs test for one outlier
##
## data: df$Insulin
## G = 6.64851, U = 0.94229, p-value = 5.862e-09
## alternative hypothesis: highest value 846 is an outliertest2##
## Grubbs test for one outlier
##
## data: df$Insulin
## G = 0.69244, U = 0.99937, p-value = 1
## alternative hypothesis: lowest value 0 is an outlierAl nivel de significaciĆ³n del 5%, no rechazamos la hipĆ³tesis de que el valor mĆ”s alto 44 no es un valor atĆpico. No tenemos evidencia suficiente para decir que 846 es un valor atĆpico.
Al nivel de significaciĆ³n del 5%, no rechazamos la hipĆ³tesis de que el valor mĆ”s bajo 14 no es un valor atĆpico.
BMI
\(H_{0}:\) El valor mĆ”s alto/bajo no es un valor atĆpico \(H_{1}:\) El valor mĆ”s alto/bajo es un valor atĆpico
library(outliers)
test <- grubbs.test(df$BMI)
test2 <- grubbs.test(df$BMI, opposite = TRUE)
test##
## Grubbs test for one outlier
##
## data: df$BMI
## G = 4.45291, U = 0.97411, p-value = 0.002857
## alternative hypothesis: highest value 67.1 is an outliertest2##
## Grubbs test for one outlier
##
## data: df$BMI
## G = 4.0578, U = 0.9785, p-value = 0.0174
## alternative hypothesis: lowest value 0 is an outlierAl nivel de significaciĆ³n del 5%, rechazamos la hipĆ³tesis de que el valor mĆ”s alto 44 no es un valor atĆpico. No tenemos evidencia suficiente para decir que 67.1 es un valor atĆpico.
Al nivel de significaciĆ³n del 5%, no rechazamos la hipĆ³tesis de que el valor mĆ”s bajo 18.2 no es un valor atĆpico.
DiabetesPedigreeFunction
\(H_{0}:\) El valor mĆ”s alto/bajo no es un valor atĆpico \(H_{1}:\) El valor mĆ”s alto/bajo es un valor atĆpico
library(outliers)
test <- grubbs.test(df$DiabetesPedigreeFunction)
test2 <- grubbs.test(df$DiabetesPedigreeFunction, opposite = TRUE)
test##
## Grubbs test for one outlier
##
## data: df$DiabetesPedigreeFunction
## G = 5.87973, U = 0.95487, p-value = 1.056e-06
## alternative hypothesis: highest value 2.42 is an outliertest2##
## Grubbs test for one outlier
##
## data: df$DiabetesPedigreeFunction
## G = 1.18878, U = 0.99816, p-value = 1
## alternative hypothesis: lowest value 0.078 is an outlierAl nivel de significaciĆ³n del 5%, rechazamos la hipĆ³tesis de que el valor mĆ”s alto 44 no es un valor atĆpico. No tenemos evidencia suficiente para decir que 2.42 es un valor atĆpico.
Al nivel de significaciĆ³n del 5%, no rechazamos la hipĆ³tesis de que el valor mĆ”s bajo 0.078 no es un valor atĆpico.
Age
\(H_{0}:\) El valor mĆ”s alto/bajo no es un valor atĆpico \(H_{1}:\) El valor mĆ”s alto/bajo es un valor atĆpico
library(outliers)
test <- grubbs.test(df$Age)
test2 <- grubbs.test(df$Age, opposite = TRUE)
test##
## Grubbs test for one outlier
##
## data: df$Age
## G = 4.06107, U = 0.97847, p-value = 0.01716
## alternative hypothesis: highest value 81 is an outliertest2##
## Grubbs test for one outlier
##
## data: df$Age
## G = 1.04087, U = 0.99859, p-value = 1
## alternative hypothesis: lowest value 21 is an outlierAl nivel de significaciĆ³n del 5%, rechazamos la hipĆ³tesis de que el valor mĆ”s alto 44 no es un valor atĆpico. No tenemos evidencia suficiente para decir que 81 es un valor atĆpico.
Al nivel de significaciĆ³n del 5%, no rechazamos la hipĆ³tesis de que el valor mĆ”s bajo 21 no es un valor atĆpico.
Prueba de Dixon
Teniendo en cuenta que la prueba de Dixon es Ćŗtil para muestras de pequeƱo tamaƱo (normalmente nā¤25) no se aplica para este ejercicio ya que el set de datos Diabetes cuenta con 768 observaciones.
Prueba de Rosner
Teniendo en cuenta que la prueba de Rosner es mĆ”s apropiada cuando el tamaƱo de la muestra es grande (nā„20) y el set de datos Diabetes cuenta con 768 observaciones, aplicaremos la prueba de Roser para detectar datos atipicos.
Pregnancies
library(EnvStats)##
## Attaching package: 'EnvStats'## The following objects are masked from 'package:stats':
##
## predict, predict.lmtest <- rosnerTest(df$Pregnancies, k = 4)
test$all.stats## i Mean.i SD.i Value Obs.Num R.i+1 lambda.i+1 Outlier
## 1 0 3.845052 3.369578 17 160 3.904034 3.974092 FALSE
## 2 1 3.827901 3.338063 15 89 3.346880 3.973762 FALSE
## 3 2 3.813316 3.315699 14 299 3.072258 3.973432 FALSE
## 4 3 3.800000 3.297310 14 456 3.093431 3.973102 FALSETomando los 4 datos atipicos sugeridos en el grafico Boxplot y realizando la prueba de Rosner se identifica que ningun dato es atipico bajo esta prueba.
Glucose
library(EnvStats)
test <- rosnerTest(df$Glucose, k = 4)
test$all.stats## i Mean.i SD.i Value Obs.Num R.i+1 lambda.i+1 Outlier
## 1 0 120.8945 31.97262 0 76 3.781190 3.974092 FALSE
## 2 1 121.0522 31.69350 0 183 3.819463 3.973762 FALSE
## 3 2 121.2102 31.41036 0 343 3.858924 3.973432 FALSE
## 4 3 121.3686 31.12309 0 350 3.899633 3.973102 FALSETomando los 0 datos atipicos sugeridos en el grafico Boxplot y realizando la prueba de Rosner se identifica efectivamente que ningun dato es atipico bajo esta prueba.
BloodPressure
library(EnvStats)
test <- rosnerTest(df$BloodPressure, k = 14)
test$all.stats## i Mean.i SD.i Value Obs.Num R.i+1 lambda.i+1 Outlier
## 1 0 69.10547 19.35581 0 8 3.570271 3.974092 TRUE
## 2 1 69.19557 19.20661 0 16 3.602696 3.973762 TRUE
## 3 2 69.28590 19.05542 0 50 3.636021 3.973432 TRUE
## 4 3 69.37647 18.90219 0 61 3.670288 3.973102 TRUE
## 5 4 69.46728 18.74685 0 79 3.705543 3.972771 TRUE
## 6 5 69.55832 18.58937 0 82 3.741834 3.972440 TRUE
## 7 6 69.64961 18.42966 0 173 3.779213 3.972108 TRUE
## 8 7 69.74113 18.26767 0 194 3.817735 3.971776 TRUE
## 9 8 69.83289 18.10334 0 223 3.857459 3.971443 TRUE
## 10 9 69.92490 17.93659 0 262 3.898450 3.971110 TRUE
## 11 10 70.01715 17.76735 0 267 3.940776 3.970776 TRUE
## 12 11 70.10964 17.59554 0 270 3.984512 3.970442 TRUE
## 13 12 70.20238 17.42108 0 301 4.029737 3.970107 TRUE
## 14 13 70.29536 17.24389 0 333 4.076538 3.969772 TRUETomando los 14 datos atipicos sugeridos en el grafico Boxplot y realizando la prueba de Rosner se identifica que solo un dato es atipico bajo esta prueba y es el numero de observaciĆ³n 107.
SkinThickness
library(EnvStats)
test <- rosnerTest(df$SkinThickness, k = 3)
test$all.stats## i Mean.i SD.i Value Obs.Num R.i+1 lambda.i+1 Outlier
## 1 0 20.53646 15.95222 99 580 4.918660 3.974092 TRUE
## 2 1 20.43416 15.70852 63 446 2.709729 3.973762 FALSE
## 3 2 20.37859 15.64317 60 58 2.532825 3.973432 FALSETomando los 3 datos atipicos sugeridos en el grafico Boxplot y realizando la prueba de Rosner se identifica que solo un dato es atipico bajo esta prueba y es el numero de observaciĆ³n 580.
Insulin
library(EnvStats)
test <- rosnerTest(df$Insulin, k = 24)
test$all.stats## i Mean.i SD.i Value Obs.Num R.i+1 lambda.i+1 Outlier
## 1 0 79.79948 115.24400 846 14 6.648507 3.974092 TRUE
## 2 1 78.80052 111.94248 744 229 5.942333 3.973762 TRUE
## 3 2 77.93211 109.39984 680 248 5.503371 3.973432 TRUE
## 4 3 77.14510 107.27960 600 585 4.873759 3.973102 TRUE
## 5 4 76.46073 105.66567 579 410 4.755937 3.972771 TRUE
## 6 5 75.80210 104.15387 545 287 4.504853 3.972440 TRUE
## 7 6 75.18635 102.82323 543 9 4.549688 3.972108 TRUE
## 8 7 74.57162 101.48000 540 656 4.586405 3.971776 TRUE
## 9 8 73.95921 100.12980 510 754 4.354756 3.971443 TRUE
## 10 9 73.38472 98.93452 495 112 4.261559 3.971110 TRUE
## 11 10 72.82850 97.80510 495 187 4.316457 3.970776 TRUE
## 12 11 72.27081 96.65624 485 154 4.270073 3.970442 TRUE
## 13 12 71.72487 95.54518 480 487 4.273111 3.970107 TRUE
## 14 13 71.18411 94.44375 480 696 4.328671 3.969772 TRUE
## 15 14 70.64191 93.32321 478 221 4.365025 3.969437 TRUE
## 16 15 70.10093 92.19460 474 416 4.380941 3.969101 TRUE
## 17 16 69.56383 91.06948 465 371 4.342137 3.968764 TRUE
## 18 17 69.03728 89.97743 440 646 4.122842 3.968427 TRUE
## 19 18 68.54267 89.00995 415 393 3.892344 3.968089 FALSE
## 20 19 68.08011 88.16279 402 249 3.787538 3.967751 FALSE
## 21 20 67.63369 87.37057 392 716 3.712535 3.967412 FALSE
## 22 21 67.19946 86.61769 387 711 3.692093 3.967073 FALSE
## 23 22 66.77078 85.87917 375 259 3.589103 3.966734 FALSE
## 24 23 66.35705 85.18966 370 232 3.564317 3.966394 FALSETomando los 24 datos atipicos sugeridos en el grafico Boxplot y realizando la prueba de Rosner se identifica que 17 datos son atipicos bajo esta prueba y son el numero de observaciones 14, 229, 248, 585, 410, 287, 9, 656, 754, 112, 187, 154, 487, 696, 221, 416 y 371.
BMI
library(EnvStats)
test <- rosnerTest(df$BMI, k = 8)
test$all.stats## i Mean.i SD.i Value Obs.Num R.i+1 lambda.i+1 Outlier
## 1 0 31.99258 7.884160 67.1 178 4.452906 3.974092 TRUE
## 2 1 31.94681 7.786526 0.0 10 4.102832 3.973762 TRUE
## 3 2 31.98851 7.705413 0.0 50 4.151434 3.973432 TRUE
## 4 3 32.03033 7.622991 0.0 61 4.201806 3.973102 TRUE
## 5 4 32.07225 7.539216 0.0 82 4.254057 3.972771 TRUE
## 6 5 32.11429 7.454039 0.0 146 4.308307 3.972440 TRUE
## 7 6 32.15643 7.367408 0.0 372 4.364687 3.972108 TRUE
## 8 7 32.19869 7.279269 0.0 427 4.423340 3.971776 TRUETomando los 8 datos atipicos sugeridos en el grafico Boxplot y realizando la prueba de Rosner se identifica que solo un 1 dato es atipico bajo esta prueba y es el numero de observaciĆ³n 178.
DiabetesPedigreeFunction
library(EnvStats)
test <- rosnerTest(df$DiabetesPedigreeFunction, k = 29)
test$all.stats## i Mean.i SD.i Value Obs.Num R.i+1 lambda.i+1 Outlier
## 1 0 0.4718763 0.3313286 2.420 446 5.879733 3.974092 TRUE
## 2 1 0.4693364 0.3239768 2.329 229 5.740114 3.973762 TRUE
## 3 2 0.4669086 0.3171301 2.288 5 5.742410 3.973432 TRUE
## 4 3 0.4645281 0.3104137 2.137 371 5.387880 3.973102 TRUE
## 5 4 0.4623390 0.3046509 1.893 46 4.696067 3.972771 TRUE
## 6 5 0.4604640 0.3004070 1.781 59 4.395823 3.972440 TRUE
## 7 6 0.4587310 0.2967633 1.731 372 4.287150 3.972108 TRUE
## 8 7 0.4570591 0.2933457 1.699 594 4.233710 3.971776 TRUE
## 9 8 0.4554250 0.2900522 1.698 622 4.283971 3.971443 TRUE
## 10 9 0.4537879 0.2867083 1.600 396 3.997834 3.971110 TRUE
## 11 10 0.4522757 0.2838528 1.476 331 3.606533 3.970776 FALSE
## 12 11 0.4509234 0.2815864 1.461 623 3.587093 3.970442 FALSE
## 13 12 0.4495873 0.2793614 1.441 13 3.548854 3.970107 FALSE
## 14 13 0.4482742 0.2772021 1.400 148 3.433329 3.969772 FALSE
## 15 14 0.4470119 0.2752064 1.394 662 3.441011 3.969437 FALSE
## 16 15 0.4457543 0.2732126 1.391 309 3.459744 3.969101 FALSE
## 17 16 0.4444973 0.2712070 1.390 40 3.486277 3.968764 FALSE
## 18 17 0.4432383 0.2691797 1.353 260 3.379755 3.968427 FALSE
## 19 18 0.4420253 0.2672975 1.321 188 3.288376 3.968089 FALSE
## 20 19 0.4408518 0.2655357 1.318 244 3.303315 3.967751 FALSE
## 21 20 0.4396791 0.2637656 1.292 660 3.231358 3.967412 FALSE
## 22 21 0.4385382 0.2620886 1.282 619 3.218232 3.967073 FALSE
## 23 22 0.4374075 0.2604350 1.268 384 3.189250 3.966734 FALSE
## 24 23 0.4362926 0.2588225 1.258 607 3.174792 3.966394 FALSE
## 25 24 0.4351882 0.2572339 1.251 535 3.171479 3.966053 FALSE
## 26 25 0.4340902 0.2556565 1.224 219 3.089731 3.965712 FALSE
## 27 26 0.4330256 0.2541757 1.224 293 3.111920 3.965370 FALSE
## 28 27 0.4319582 0.2526776 1.222 101 3.126679 3.965028 FALSE
## 29 28 0.4308905 0.2511705 1.213 246 3.113858 3.964686 FALSETomando los 29 datos atipicos sugeridos en el grafico Boxplot y realizando la prueba de Rosner se identifica que 10 datos son atipicos bajo esta prueba y son el numero de observaciones 446, 229, 5, 371, 46, 59, 372, 594, 622 y 396.
Age
library(EnvStats)
test <- rosnerTest(df$Age, k = 9)
test$all.stats## i Mean.i SD.i Value Obs.Num R.i+1 lambda.i+1 Outlier
## 1 0 33.24089 11.76023 81 460 4.061069 3.974092 TRUE
## 2 1 33.17862 11.64053 72 454 3.335018 3.973762 FALSE
## 3 2 33.12794 11.56315 70 667 3.188755 3.973432 FALSE
## 4 3 33.07974 11.49346 69 124 3.125278 3.973102 FALSE
## 5 4 33.03272 11.42714 69 685 3.147531 3.972771 FALSE
## 6 5 32.98558 11.36006 68 675 3.082239 3.972440 FALSE
## 7 6 32.93963 11.29634 67 364 3.015167 3.972108 FALSE
## 8 7 32.89488 11.23596 67 490 3.035354 3.971776 FALSE
## 9 8 32.85000 11.17491 67 538 3.055953 3.971443 FALSETomando los 9 datos atipicos sugeridos en el grafico Boxplot y realizando la prueba de Rosner se identifica que solo un dato es atipico bajo esta prueba y es el numero de observaciones 460.
Sustituimos todos los valores nulos āausentesā por NAN
# Reemplazar valores iguales a 0.0 por NaN en columnas especĆficas
df$Glucose <- ifelse(df$Glucose == 0.0, NA, df$Glucose)
df$BloodPressure <- ifelse(df$BloodPressure == 0.0, NA, df$BloodPressure)
df$SkinThickness <- ifelse(df$SkinThickness == 0.0, NA, df$SkinThickness)
df$Insulin <- ifelse(df$Insulin == 0.0, NA, df$Insulin)
df$BMI <- ifelse(df$BMI == 0.0, NA, df$BMI)summary(df)## Pregnancies Glucose BloodPressure SkinThickness
## Min. : 0.000 Min. : 44.0 Min. : 24.00 Min. : 7.00
## 1st Qu.: 1.000 1st Qu.: 99.0 1st Qu.: 64.00 1st Qu.:22.00
## Median : 3.000 Median :117.0 Median : 72.00 Median :29.00
## Mean : 3.845 Mean :121.7 Mean : 72.41 Mean :29.15
## 3rd Qu.: 6.000 3rd Qu.:141.0 3rd Qu.: 80.00 3rd Qu.:36.00
## Max. :17.000 Max. :199.0 Max. :122.00 Max. :99.00
## NA's :5 NA's :35 NA's :227
## Insulin BMI DiabetesPedigreeFunction Age
## Min. : 14.00 Min. :18.20 Min. :0.0780 Min. :21.00
## 1st Qu.: 76.25 1st Qu.:27.50 1st Qu.:0.2437 1st Qu.:24.00
## Median :125.00 Median :32.30 Median :0.3725 Median :29.00
## Mean :155.55 Mean :32.46 Mean :0.4719 Mean :33.24
## 3rd Qu.:190.00 3rd Qu.:36.60 3rd Qu.:0.6262 3rd Qu.:41.00
## Max. :846.00 Max. :67.10 Max. :2.4200 Max. :81.00
## NA's :374 NA's :11
## Outcome
## Min. :0.000
## 1st Qu.:0.000
## Median :0.000
## Mean :0.349
## 3rd Qu.:1.000
## Max. :1.000
## En el resumen del data set encontramos los siguientes valores NA por columnas:
Pregnancies: 0.
Glucose: 5.
BloodPressure: 35.
SkinThickness: 227.
Insulin: 374.
BMI: 11.
DiabetesPedigreeFunction: 0.
Age: 0.
Outcome: 0.
pMiss <- function(df){sum(is.na(df))/length(df)*100}
apply(df,2,pMiss)## Pregnancies Glucose BloodPressure
## 0.0000000 0.6510417 4.5572917
## SkinThickness Insulin BMI
## 29.5572917 48.6979167 1.4322917
## DiabetesPedigreeFunction Age Outcome
## 0.0000000 0.0000000 0.0000000En esta tabla se identifica la proporcion de datos faltantes por cada variable.
VisualizaciĆ³n de datos faltantes:
library(mice)##
## Attaching package: 'mice'## The following object is masked from 'package:stats':
##
## filter## The following objects are masked from 'package:base':
##
## cbind, rbind# Establecer el tamaƱo de la grƔfica mƔs grande
par(plt=c(0.1, 1, 0.1, 1))
# Crear la grĆ”fica de patrĆ³n de valores faltantes mĆ”s grande
md.pattern(df, plot = TRUE, rotate.names = TRUE)
## Pregnancies DiabetesPedigreeFunction Age Outcome Glucose BMI BloodPressure
## 392 1 1 1 1 1 1 1
## 140 1 1 1 1 1 1 1
## 192 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 0
## 26 1 1 1 1 1 1 0
## 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 0 1
## 2 1 1 1 1 1 0 1
## 7 1 1 1 1 1 0 0
## 1 1 1 1 1 0 1 1
## 4 1 1 1 1 0 1 1
## 0 0 0 0 5 11 35
## SkinThickness Insulin
## 392 1 1 0
## 140 1 0 1
## 192 0 0 2
## 2 1 0 2
## 26 0 0 3
## 1 1 1 1
## 1 1 0 2
## 2 0 0 3
## 7 0 0 4
## 1 1 1 1
## 4 1 0 2
## 227 374 652Utilizando la libreria mice encontramos un resumen de los datos faltantes: Por variable:
Pregnancies, DiabetesPedigreeFunction, Age y Outcome, no presentan valores faltantes.
Glucose: 5 datos faltantes.
BMI: 11 datos faltantes.
BloodPressure: 35 datos faltantes.
SkinThickness: 227 datos faltantes.
Insulin: 374 datos faltantes.
En total el data set Diabetes presenta 652 datos faltantes.
library(VIM)## Loading required package: colorspace## Loading required package: grid## VIM is ready to use.## Suggestions and bug-reports can be submitted at: https://github.com/statistikat/VIM/issues##
## Attaching package: 'VIM'## The following object is masked from 'package:datasets':
##
## sleepaggr(df, numbers=TRUE, cex.axis=0.5)
Podemos ver que el 51% de las filas no contienen datos faltantes, las los porcentajes mĆ”s altos de datos faltantes son de 18% y 25%, las cuales se ven representadas en el grafico de la izquierda, donde āInsulinā es la columna con mĆ”s datos faltantes superando el 40%, seguido de āSkinThicknessā, con 30% de datos faltantes, las demas columnas tienen menos del 10% de datos faltantes.
Aplique imputaciĆ³n de datos usando las siguientes opciones para method:
Borrado de la lista
df_omit <- na.omit(df)
head(df_omit)## # A tibble: 6 Ć 9
## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1 89 66 23 94 28.1
## 2 0 137 40 35 168 43.1
## 3 3 78 50 32 88 31
## 4 2 197 70 45 543 30.5
## 5 1 189 60 23 846 30.1
## 6 5 166 72 19 175 25.8
## # ā¹ 3 more variables: DiabetesPedigreeFunction <dbl>, Age <dbl>, Outcome <dbl>Dibujemos los datos antes de realizar imoutaciĆ³n de los datos:
library(ggplot2)
library(tidyverse)## āā Attaching core tidyverse packages āāāāāāāāāāāāāāāāāāāāāāāā tidyverse 2.0.0 āā
## ā dplyr 1.1.4 ā stringr 1.5.1
## ā forcats 1.0.0 ā tibble 3.2.1
## ā lubridate 1.9.3 ā tidyr 1.3.0
## ā purrr 1.0.2
## āā Conflicts āāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāā tidyverse_conflicts() āā
## ā dplyr::filter() masks mice::filter(), stats::filter()
## ā dplyr::lag() masks stats::lag()
## ā¹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(hrbrthemes)## NOTE: Either Arial Narrow or Roboto Condensed fonts are required to use these themes.
## Please use hrbrthemes::import_roboto_condensed() to install Roboto Condensed and
## if Arial Narrow is not on your system, please see https://bit.ly/arialnarrowlibrary(gridExtra)##
## Attaching package: 'gridExtra'
##
## The following object is masked from 'package:dplyr':
##
## combineVariable Glucose
ggp1 <- ggplot(data.frame(value=df$Glucose), aes(x=value)) +
geom_histogram(fill="#FBD000", color="#E52521", alpha=0.9) +
ggtitle("Original data") +
xlab('Ozone') + ylab('Frequency') +
theme_ipsum() +
theme(plot.title = element_text(size=15))
ggp2 <- ggplot(data.frame(value=df$Glucose), aes(x=value)) +
geom_histogram(fill="#43B047", color="#049CD8", alpha=0.9) +
ggtitle("Listwise Deletion") +
xlab('Glucose') + ylab('Frequency') +
theme_ipsum() +
theme(plot.title = element_text(size=15))
grid.arrange(ggp1, ggp2, ncol = 2)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Variable BMI
ggp1 <- ggplot(data.frame(value=df$BMI), aes(x=value)) +
geom_histogram(fill="#FBD000", color="#E52521", alpha=0.9) +
ggtitle("Original data") +
xlab('Ozone') + ylab('Frequency') +
theme_ipsum() +
theme(plot.title = element_text(size=15))
ggp2 <- ggplot(data.frame(value=df$BMI), aes(x=value)) +
geom_histogram(fill="#43B047", color="#049CD8", alpha=0.9) +
ggtitle("Listwise Deletion") +
xlab('BMI') + ylab('Frequency') +
theme_ipsum() +
theme(plot.title = element_text(size=15))
grid.arrange(ggp1, ggp2, ncol = 2)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Variable BloodPressure
ggp1 <- ggplot(data.frame(value=df$BloodPressure), aes(x=value)) +
geom_histogram(fill="#FBD000", color="#E52521", alpha=0.9) +
ggtitle("Original data") +
xlab('Ozone') + ylab('Frequency') +
theme_ipsum() +
theme(plot.title = element_text(size=15))
ggp2 <- ggplot(data.frame(value=df$BloodPressure), aes(x=value)) +
geom_histogram(fill="#43B047", color="#049CD8", alpha=0.9) +
ggtitle("Listwise Deletion") +
xlab('BloodPressure') + ylab('Frequency') +
theme_ipsum() +
theme(plot.title = element_text(size=15))
grid.arrange(ggp1, ggp2, ncol = 2)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Variable SkinThickness
ggp1 <- ggplot(data.frame(value=df$SkinThickness), aes(x=value)) +
geom_histogram(fill="#FBD000", color="#E52521", alpha=0.9) +
ggtitle("Original data") +
xlab('Ozone') + ylab('Frequency') +
theme_ipsum() +
theme(plot.title = element_text(size=15))
ggp2 <- ggplot(data.frame(value=df$SkinThickness), aes(x=value)) +
geom_histogram(fill="#43B047", color="#049CD8", alpha=0.9) +
ggtitle("Listwise Deletion") +
xlab('SkinThickness') + ylab('Frequency') +
theme_ipsum() +
theme(plot.title = element_text(size=15))
grid.arrange(ggp1, ggp2, ncol = 2)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Variable Insulin
ggp1 <- ggplot(data.frame(value=df$Insulin), aes(x=value)) +
geom_histogram(fill="#FBD000", color="#E52521", alpha=0.9) +
ggtitle("Original data") +
xlab('Ozone') + ylab('Frequency') +
theme_ipsum() +
theme(plot.title = element_text(size=15))
ggp2 <- ggplot(data.frame(value=df$Insulin), aes(x=value)) +
geom_histogram(fill="#43B047", color="#049CD8", alpha=0.9) +
ggtitle("Listwise Deletion") +
xlab('Insulin') + ylab('Frequency') +
theme_ipsum() +
theme(plot.title = element_text(size=15))
grid.arrange(ggp1, ggp2, ncol = 2)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Metodo de imputaciĆ³n por emparejamiento predictivo medio (PMM)
library(mice)
library(foreign)
imp <- mice(df, m=5, maxit=50, method ='pmm', seed=500, printFlag = FALSE)
imp_df <- complete(imp)
head(imp_df)## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## 1 6 148 72 35 83 33.6
## 2 1 85 66 29 55 26.6
## 3 8 183 64 20 175 23.3
## 4 1 89 66 23 94 28.1
## 5 0 137 40 35 168 43.1
## 6 5 116 74 24 175 25.6
## DiabetesPedigreeFunction Age Outcome
## 1 0.627 50 1
## 2 0.351 31 0
## 3 0.672 32 1
## 4 0.167 21 0
## 5 2.288 33 1
## 6 0.201 30 0library(lattice)
xyplot(imp, Insulin ~ SkinThickness
+ BloodPressure
+ BMI
+ Glucose
+ Outcome
+ Age
+ DiabetesPedigreeFunction
+ Pregnancies, pch=18, cex=1)
Buscamos asegurarnos de que la configuraciĆ³n de los puntos rojos (imputados) se asemeje a la de los puntos azules (observados). Esta similitud en la estructura nos sugiere que los valores imputados representan, efectivamente, valores creĆbles y posibles.
densityplot(imp)
Para cada conjunto de datos imputados, la densidad se representa en rojo, en contraste con la densidad de los datos observados, que se ilustra en azul. Bajo los supuestos que hemos establecido previamente, anticipamos que ambas distribuciones muestren una similitud notable.
Metodo norm.predict
imp.regress <- mice(df, method="norm.predict", m=1, maxit=1)##
## iter imp variable
## 1 1 Glucose BloodPressure SkinThickness Insulin BMIimp_df <- complete(imp.regress)
head(imp_df)## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## 1 6 148 72 35.00000 220.65056 33.6
## 2 1 85 66 29.00000 69.90585 26.6
## 3 8 183 64 21.09747 256.47480 23.3
## 4 1 89 66 23.00000 94.00000 28.1
## 5 0 137 40 35.00000 168.00000 43.1
## 6 5 116 74 22.11040 117.65456 25.6
## DiabetesPedigreeFunction Age Outcome
## 1 0.627 50 1
## 2 0.351 31 0
## 3 0.672 32 1
## 4 0.167 21 0
## 5 2.288 33 1
## 6 0.201 30 0library(lattice)
xyplot(imp.regress, Insulin ~ SkinThickness
+ BloodPressure
+ BMI
+ Glucose
+ Outcome
+ Age
+ DiabetesPedigreeFunction
+ Pregnancies, pch=18, cex=1)
Buscamos asegurarnos de que la configuraciĆ³n de los puntos rojos (imputados) se asemeje a la de los puntos azules (observados). Esta similitud en la estructura nos sugiere que los valores imputados representan, efectivamente, valores creĆbles y posibles.
densityplot(imp.regress)
Para cada conjunto de datos imputados, la densidad se representa en rojo, en contraste con la densidad de los datos observados, que se ilustra en azul. Bajo los supuestos que hemos establecido previamente, anticipamos que ambas distribuciones muestren una similitud notable.
Metodo norm.nob
imp.regress_nob <- mice(df, method="norm.nob", m=1, maxit=1)##
## iter imp variable
## 1 1 Glucose BloodPressure SkinThickness Insulin BMIimp_df <- complete(imp.regress_nob)
head(imp_df)## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## 1 6 148 72 35.00000 300.57436 33.6
## 2 1 85 66 29.00000 91.20010 26.6
## 3 8 183 64 12.60417 271.47221 23.3
## 4 1 89 66 23.00000 94.00000 28.1
## 5 0 137 40 35.00000 168.00000 43.1
## 6 5 116 74 23.59787 -22.44932 25.6
## DiabetesPedigreeFunction Age Outcome
## 1 0.627 50 1
## 2 0.351 31 0
## 3 0.672 32 1
## 4 0.167 21 0
## 5 2.288 33 1
## 6 0.201 30 0library(lattice)
xyplot(imp.regress_nob, Insulin ~ SkinThickness
+ BloodPressure
+ BMI
+ Glucose
+ Outcome
+ Age
+ DiabetesPedigreeFunction
+ Pregnancies, pch=18, cex=1)
Buscamos asegurarnos de que la configuraciĆ³n de los puntos rojos (imputados) se asemeje a la de los puntos azules (observados). Esta similitud en la estructura nos sugiere que los valores imputados representan, efectivamente, valores creĆbles y posibles.
densityplot(imp.regress_nob)
Para cada conjunto de datos imputados, la densidad se representa en rojo, en contraste con la densidad de los datos observados, que se ilustra en azul. Bajo los supuestos que hemos establecido previamente, anticipamos que ambas distribuciones muestren una similitud notable.
Metodo norm
imp.regress_norm <- mice(df, method="norm", m=1, maxit=1)##
## iter imp variable
## 1 1 Glucose BloodPressure SkinThickness Insulin BMIimp_df <- complete(imp.regress_norm)
head(imp_df)## Pregnancies Glucose BloodPressure SkinThickness Insulin BMI
## 1 6 148 72 35.00000 133.56778 33.6
## 2 1 85 66 29.00000 42.64137 26.6
## 3 8 183 64 18.89756 110.87973 23.3
## 4 1 89 66 23.00000 94.00000 28.1
## 5 0 137 40 35.00000 168.00000 43.1
## 6 5 116 74 19.09168 70.14276 25.6
## DiabetesPedigreeFunction Age Outcome
## 1 0.627 50 1
## 2 0.351 31 0
## 3 0.672 32 1
## 4 0.167 21 0
## 5 2.288 33 1
## 6 0.201 30 0library(lattice)
xyplot(imp.regress_norm, Insulin ~ SkinThickness
+ BloodPressure
+ BMI
+ Glucose
+ Outcome
+ Age
+ DiabetesPedigreeFunction
+ Pregnancies, pch=18, cex=1)
Buscamos asegurarnos de que la configuraciĆ³n de los puntos rojos (imputados) se asemeje a la de los puntos azules (observados). Esta similitud en la estructura nos sugiere que los valores imputados representan, efectivamente, valores creĆbles y posibles.
densityplot(imp.regress_norm)
Para cada conjunto de datos imputados, la densidad se representa en rojo, en contraste con la densidad de los datos observados, que se ilustra en azul. Bajo los supuestos que hemos establecido previamente, anticipamos que ambas distribuciones muestren una similitud notable.